A Two-Stage Optimization Algorithm for Booking Allocation in Short-Term Group Apartment Rentals: A Case Study

Dans le monde des affaires, gérer un hôtel ou une propriété de location ressemble souvent à un jeu de jonglage à haut risque. Les propriétaires doivent décider qui peut séjourner, quand ils arrivent et quel prix facturer, tout en essayant de remplir chaque lit disponible sans laisser d'espaces vides qui font perdre de l'argent. Pendant des décennies, les experts se sont concentrés massivement sur le prix, utilisant des mathématiques complexes pour déterminer le tarif parfait pour une chambre à une nuit spécifique. Cependant, il existe un autre aspect de ce puzzle qui est tout aussi crucial mais souvent négligé : l'acte physique de faire entrer les gens dans les chambres. Imaginez un grand immeuble d'appartements avec des dizaines de lits répartis dans de nombreuses unités. Lorsqu'un groupe de voyageurs arrive, ils peuvent avoir besoin de dix lits, mais ces lits peuvent être dispersés dans trois appartements différents. Le défi n'est pas seulement de fixer un prix, mais de déterminer quels appartements spécifiques utiliser, de s'assurer que le groupe reste ensemble dans un même bâtiment, et de veiller à ce que deux groupes ne soient pas assignés au même espace en même temps. C'est un problème d'allocation, un puzzle combinatoire où l'objectif est de faire entrer les gens dans l'espace disponible aussi étroitement et efficacement que possible. Alors que les grandes entreprises disposent de logiciels coûteux pour résoudre ces puzzles, les petites entreprises luttent souvent avec des feuilles de calcul et des suppositions manuelles, laissant de l'argent sur la table et gaspillant un temps précieux.

C'est l'histoire d'une petite entreprise de location à Tel Aviv appelée « Our Place » et des chercheurs qui les ont aidés à résoudre ce puzzle spécifique. L'entreprise gère habituellement quelques bâtiments toute l'année, mais pendant l'été, elle s'étend à environ dix bâtiments pour accueillir des groupes organisés de jeunes voyageurs. Contraigemment aux réservations d'hôtels standards, ces groupes ne disposent pas d'une liste de prix fixe. Au lieu de cela, chaque groupe propose son propre prix par lit pour son séjour, ainsi que ses dates spécifiques et le nombre de personnes composant son groupe. Pendant des années, le directeur des opérations de l'entreprise a passé des semaines chaque saison à trier manuellement ces propositions qui se chevauchaient, décidant quels groupes accepter et à quels appartements les assigner. C'était un processus lent et épuisant qui retardait souvent les réponses aux clients et reposait entièrement sur le jugement humain sous pression. Pour améliorer cela, une chercheuse nommée Hana Tzur a travaillé directement avec l'entreprise pour construire un nouveau système. Au lieu d'essayer de changer les prix, le système se concentrait entièrement sur le problème d'allocation : sélectionner le meilleur mélange de propositions et les faire entrer dans les appartements disponibles pour maximiser l'argent total gagné.

La solution qu'ils ont construite est un processus en deux étapes qui imite la façon dont un humain pourrait réfléchir, mais avec la vitesse et la précision d'un ordinateur. La première étape est le moteur principal. Elle examine toutes les demandes entrantes et les règles strictes de l'entreprise — telles que le nombre total de lits disponibles dans chaque appartement et la règle selon laquelle un groupe ne peut pas être divisé entre différents bâtiments. Elle utilise une méthode mathématique appelée programmation en nombres entiers, qui est essentiellement une façon de tester des millions de combinaations possibles pour trouver l'arrangement unique qui respecte toutes les règles. Cette étape décide quels groupes accepter et lesquels refuser pour garantir que l'entreprise réalise le profit le plus élevé possible. Une fois que les meilleurs groupes sont sélectionnés, la deuxième étape prend le relais. Cette étape ne change pas qui séjourne ; elle affine plutôt l'endroit où ils dorment. Elle recherche de petites améliorations, comme placer un groupe dans des appartements situés juste à côté les uns des autres ou s'assurer qu'il y a très peu de temps vide entre le départ d'un groupe et l'arrivée du suivant. Cette deuxième étape est conçue pour rendre l'opération plus fluide et laisser moins de creux gênants dans le calendrier.

Les chercheurs ont testé ce nouveau système en utilisant les données de réservation réelles de l'entreprise pour 2023. Ils ont fait tourner l'algorithme sur le même ensemble de demandes que le gestionnaire humain avait traitées l'année précédente et ont comparé les résultats. Le plan de l'ordinateur a généré environ 3,5 % de revenus supplémentaires par rapport aux décisions manuelles. En argent réel, cela représentait 139 000 shekels israéliens supplémentaires pour cette seule saison. Au-delà de l'argent, le système a entièrement changé le flux de travail. Ce qui demandait auparavant des semaines de travail intense au gestionnaire a été réduit à un processus ne prenant qu'une fraction du temps, réduisant le temps d'allocation d'environ 90 %. Cela a permis à l'entreprise de répondre beaucoup plus rapidement aux clients et a libéré le temps du gestionnaire pour d'autres tâches. Le système a été construit à l'aide d'une plateforme low-code, qui est un type de logiciel permettant aux gens de construire des applications sans écrire de code complexe à partir de zéro, et il fonctionnait sur un serveur cloud qui ne s'allumait que lorsqu'il était nécessaire. Cela a permis de maintenir le coût incroyablement bas, à environ 200 shekels par mois, rendant l'optimisation avancée accessible à une petite entreprise qui n'aurait jamais pu s'offrir de logiciels commerciaux coûteux.

Cependant, les chercheurs ont pris soin de noter que ce succès s'accompagnait de compromis et de limites spécifiques. Le système n'était pas parfait, et dans un cas précis, une petite erreur dans la rédaction du logiciel a fait en sorte qu'une partie de l'étape d'ajustement ne fonctionnait pas réellement comme prévu. Heureusement, comme l'objectif principal était de maximiser les revenus et que l'erreur ne concernait qu'une préférence mineure concernant la proximité des appartements, le résultat global est resté solide. Les chercheurs ont également effectué des simulations avec des données fictives pour voir comment le système se comporterait dans différentes conditions. Ils ont découvert qu'à mesure que la demande de chambres augmentait et que la compétition pour l'espace devenait plus intense, l'avantage d'utiliser l'ordinateur par rapport à un humain augmentait considérablement. Dans les scénarios les plus encombrés, la capacité de l'ordinateur à compacter les groupes efficacement a conduit à des améliorations de revenus de plus de 65 % par rapport à une méthode simple et non optimisée. Cela suggère que plus le marché est saturé, plus ce type d'allocation intelligente devient précieux.

L'étude a également mis en évidence une leçon plus large pour les petites entreprises. Elle a prouvé que vous n'avez pas besoin d'une équipe de data scientists ou d'un budget massif pour résoudre des problèmes logistiques complexes. En utilisant des outils open-source et un simple calcul en nuage (cloud computing), un petit opérateur peut obtenir des résultats qui n'étaient auparavant disponibles que pour les grandes entreprises. Les chercheurs ont documenté l'ensemble du processus, y compris les erreurs et les solutions de contournement, pour montrer que cette approche est viable pour d'autres. Ils ont trouvé que la partie la plus importante du système était simplement de faire entrer les groupes dans les lits disponibles aussi étroitement que possible. Les autres fonctionnalités sophistiquées, comme s'assurer que les groupes sont dans des chambres adjacentes, étaient agréables à avoir mais n'étaient pas strictement nécessaires pour le gain financier principal. Cela signifie qu'une version très simple du système pourrait fournir la majeure partie des bénéfices.

En fin de compte, ce document recadre notre façon de penser la gestion des locations de courte durée. Il montre que pour les entreprises traitant des réservations de groupe, la plus grande opportunité de croissance réside souvent non pas dans le changement des prix, mais dans l'amélioration de l'assignation physique de l'espace. Le gestionnaire humain chez « Our Place » était compétent et expérimenté, mais le nombre considérable de variables impliquant des dates qui se chevauchent et des tailles de groupes variables rendait impossible pour un humain de voir toutes les combinaisons possibles. L'ordinateur n'a pas remplacé le jugement du gestionnaire ; il lui a simplement donné un outil pour voir l'image complète. Le résultat a été une entreprise qui a gagné plus d'argent, a répondu plus rapidement aux clients et a fonctionné avec moins de stress. Pour d'autres petits opérateurs confrontés à des défis similaires, cette étude de cas offre une voie claire à suivre : commencez par les contraintes strictes, utilisez des outils simples pour trouver la meilleure adéquation, et laissez les données gérer la complexité que l'esprit humain ne peut pas facilement contenir.